一种物联网恶意节点的检测方法技术

本发明专利技术属于信息安全检测技术领域，涉及一种物联网恶意节点的检测方法，包括：获取物联网网络中恶意节点的行为数据；将恶意节点的行为数据嵌入向量表示得到恶意节点的信任向量；创建节点分类模型；将恶意节点的信任向量作为训练样本对节点分类模型进行训练；所述节点分类模型包括：第一生成对抗网络、第二生成对抗网络、第三生成对抗网络和K

【技术实现步骤摘要】
一种物联网恶意节点的检测方法


[0001]本专利技术属于信息安全检测
，具体涉及一种物联网恶意节点的检测方法。

技术介绍

[0002]随着人工智能、大数据等新技术的不断发展和应用，物联网被广泛应用于天、空、地、海，但也面临着很多的问题和挑战，其中安全问题首当其冲。物联网可实时采集并传输数据，但因其工作环境恶劣且缺乏专人维护，存在链接脆弱、节点能量有限、传输效率较低等问题，使得物联网网络中的硬件节点除了受到诸如重放攻击、拒绝服务等外部攻击的威胁外，还会被外部节点俘获从而转化成为内部恶意节点对物联网网络进行破坏，例如，在节点进行数据传输时，恶意节点故意丢失数据包或对数据包延迟转发。大部分引起物联网网络崩溃的攻击都是由内部的恶意节点发起的。这些潜伏在网络内部的恶意节点会消耗网络的整体能量，降低物联网网络的吞吐量与寿命，造成无法估量的损失。因此，如何在物联网中检测并分类这些恶意节点是物联网安全领域一个急需解决的问题。

技术实现思路

[0003]为了解决
技术介绍
中存在的问题，本专利技术提供一种物联网恶意节点的检测方法，包括：
...

【技术保护点】

【技术特征摘要】
1.一种物联网恶意节点的检测方法，其特征在于，包括：S1：获取物联网网络中恶意节点的行为数据；S2：将恶意节点的行为数据嵌入向量表示得到恶意节点的信任向量；S3：创建节点分类模型；将恶意节点的信任向量作为训练样本对节点分类模型进行训练；所述节点分类模型包括：第一生成对抗网络、第二生成对抗网络、第三生成对抗网络和K
‑
MEANS聚类模块；S4：获取物联网网络中目标节点的行为数据并生成目标节点的信任向量，将目标节点的信任向量输入节点分类模型输出目标节点的类型；S5：根据目标节点的类型对目标节点进行管理，所述对目标节点进行管理包括：将目标节点从物联网网络中剔除、对目标节点进行修复或对目标节点进行更换。2.根据权利要求1所述的一种物联网恶意节点的检测方法，其特征在于，所述物联网网络中的恶意节点包括：物联网网络中的硬件节点在数据传输过程中丢失数据包和延迟转发数据包的概率达到30％以上的硬件节点；所述恶意节点的行为数据包括：恶意节点分别在N次数据传输过程中是否丢失数据包和是否延迟转发数据包；若恶意节点在第i次数据传输过程中丢失数据包则R
i
＝1反之则为0；若恶意节点在第i次数据传输过程中延迟转发数据包则X
i
＝1反之则为0。3.根据权利要求1所述的一种物联网恶意节点的检测方法，其特征在于，所述将恶意节点的信任向量作为训练样本输入节点分类模型进行训练包括：S31：将恶意节点的信任向量分别输入第一生成对抗网络和第二生成对抗网络生成恶意节点的第一生成向量和第二生成向量，并根据第一生成对抗网络的判别器对第一生成向量的判别结果通过反向传播机制更新第一生成对抗网络的生成器的参数；根据第二生成对抗网络的判别器对第二生成向量的判别结果通过反向传播机制更新第二生成对抗网络的生成器的参数；S32：将恶意节点的第一生成向量和第二生成向量进行逻辑或运算后输入第三生成对抗网络生成恶意节点的第三生成向量；并根据第三生成对抗网络的判别器对第三生成向量的判别结果通过梯度下降的方式更新第一生成对抗网络、第二生成对抗网络和第三生成对抗网络的生成器的参数，重复步骤S31
‑
S32完成第一生成对抗网络、第二生成对抗网络和第三生成对...

【专利技术属性】
技术研发人员：杨柳，姜法勇，鲁银芝，程琪，向宇婷，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：